心得经验总结:机器学习常用库

简介: 心得经验总结:机器学习常用库

注释:基础不牢固,特别不牢固,项目无从下手!

   这次花一个星期的时间把Python的基础库学习一下,一来总结过去的学习,二来为深度学习打基础。

   部分太简单,或者映象很深的就不记录了,避免浪费时间。

博客园的makedown真是无语了,排版好久,上传就是这个鬼模样

1. python基础(1).字符串

print("abc".upper())#转为大写

print("ABC".lower())#转为小写

print("abc"+"abc")#合并

print("abc ".rstrip())#删除最右边(结尾)的空白(不改变"abc "的档案,只是结果删除)

print(" abc".lstrip())#删除最左边(开头)空白

print("abc".title())#首字母变成大写

ABC

abc

abcabc

abc

abc

Abc

(3).常数

#整数和浮点数不能直接相乘

3*0.1

0.3000000000004

(4).列表A.读写列表

list【0】 #第一个元素

list【-1】#最后一个元素

list【:】 #打印全部元素

list【0:-1】#打印不包括最后一个元素

list【a:b:c】#打印a-b,间隔为c

list【0::-1】#颠倒数据

B.操作列表

list.append('data')#正常添加一个元素

list.extend("data")#添加一个列表数据

list.insert(num,'data')#从num位置插入一个数据

del list【num】#删除num位置元素

list.remove('data')#删除名字为"data"的数据

list.sort(bool)#排序列表(永久)

sorted(list)#排序列表(临时排序)

list.reverse()#颠倒列表,可用上面"读写列表的list【0::-1】进行颠倒"

len(list)#列表长度

min(list)

max(list)

C.复制列表

list1 = list2#浅复制

list1 = list2【1:2】#深度复制

D.列表推导式

# 循环列表

values = 【10,20,4,50.31】

squres = 【】

for x in values:

squres.append(x)

print(squres)

【10, 20, 4, 50.31】

#列表推导式

values = 【10,20,4,50.31】

squres = 【x for x in values】

print(squres)

【10, 20, 4, 50.31】

#推导式中加入条件进行筛选

values = 【10,20,4,50.31】

squres = 【x2 for x in values if x<=12】

squres

【100, 16】

#推导式生成集合和字典

values = 【10,20,4,50.31】

squres_set = {x2 for x in values if x<=12}

squres_dict = {x:x2 for x in values}

print(squres_set)

squres_dict

{16, 100}//代码效果参考:http://www.ezhiqi.com/bx/art_4729.html

{4: 16, 10: 100, 20: 400, 50.31: 2531.0961}

#求和表达式

values = 【10,20,4,50.31】

sum(x**2 for x in values)

3047.0961

(5).判断

A if B else C #B==True-->

(6).字典

dict.items() #得到【(key,value),(key,value)...】

dict.keys() #得到key

dict.values()#得到values

del dict【key】#删除某个键-值对

dict【key】=value#更改某个键值对

(7).循环

break #跳出大循环

continue#跳出小循环

(8).函数

#内部函数

def fuction(num):

return (num)

fuction1 = fuction('hello')

print(fuction1)

#外部函数调用

import fuction

fuction1 = fuction.fuction('hello')

print(fuction1)

#调用外部特定函数

from fuction import fuction

fuction1 = fuction('hello')

print(fuction1)

#调用函数之后指定别名

import fuction as fuc

fuction1 = fuc.fuction('hello')

print(fuction1)

from fuction import fuction as fuc

fuction1 = fuc('hello')

print(fuction1)

(9).类

#内部创建类

#self相当于C++的this指针

class Dog():

#num1和num2是输入的形参

def init(self,num1,num2):

#num3和num4是函数内部使用的参数

self.num3 = num1

self.num4 = num2

def printf(self):

print(self.num3)

def sum1(self):

print(self.num3+self.num4)

my_dog = Dog(32,'jake')

#外部创建类

import dog

my_dog = dog.Dog(23,'rake')

from dog import Dog

my_dog = Dog(23,'rake')

<pre style="border: 1px solid rgba(204, 204, 204, 1); color: rgba(171, 178, 191, 1); display: block; font: 400 13px / 18.5714px Menlo, Monaco, Consolas, "Courier New", monospace; height: 302.828px; margin: 0 0 20px; outline: 0 none rgba(171, 178, 191, 1); overflow: auto; padding: 15px; text-decoration: r

相关文章
|
6月前
|
数据采集 机器学习/深度学习 存储
【机器学习】数据清洗——基于Numpy库的方法删除重复点
【机器学习】数据清洗——基于Numpy库的方法删除重复点
209 1
|
6月前
|
数据采集 机器学习/深度学习 Python
【机器学习】数据清洗——基于Pandas库的方法删除重复点
【机器学习】数据清洗——基于Pandas库的方法删除重复点
252 1
|
机器学习/深度学习 数据可视化 算法
机器学习系列7 基于Python的Scikit-learn库构建逻辑回归模型
🎄🎄本文中,你将学到逻辑回归的数学原理,使用Seaborn库可视化数据寻找数据间的相关性,并基于Scikit-learn库构建逻辑回归模型预测南瓜颜色。
364 0
|
7天前
|
机器学习/深度学习 数据采集 算法
Python机器学习:Scikit-learn库的高效使用技巧
【10月更文挑战第28天】Scikit-learn 是 Python 中最受欢迎的机器学习库之一,以其简洁的 API、丰富的算法和良好的文档支持而受到开发者喜爱。本文介绍了 Scikit-learn 的高效使用技巧,包括数据预处理(如使用 Pipeline 和 ColumnTransformer)、模型选择与评估(如交叉验证和 GridSearchCV)以及模型持久化(如使用 joblib)。通过这些技巧,你可以在机器学习项目中事半功倍。
18 3
|
2月前
|
机器学习/深度学习 算法 数据挖掘
Python数据分析革命:Scikit-learn库,让机器学习模型训练与评估变得简单高效!
在数据驱动时代,Python 以强大的生态系统成为数据科学的首选语言,而 Scikit-learn 则因简洁的 API 和广泛的支持脱颖而出。本文将指导你使用 Scikit-learn 进行机器学习模型的训练与评估。首先通过 `pip install scikit-learn` 安装库,然后利用内置数据集进行数据准备,选择合适的模型(如逻辑回归),并通过交叉验证评估其性能。最终,使用模型对新数据进行预测,简化整个流程。无论你是新手还是专家,Scikit-learn 都能助你一臂之力。
118 8
|
2月前
|
机器学习/深度学习 算法 数据挖掘
从菜鸟到大师:Scikit-learn库实战教程,模型训练、评估、选择一网打尽!
【9月更文挑战第13天】在数据科学与机器学习领域,Scikit-learn是不可或缺的工具。本文通过问答形式,指导初学者从零开始使用Scikit-learn进行模型训练、评估与选择。首先介绍了如何安装库、预处理数据并训练模型;接着展示了如何利用多种评估指标确保模型性能;最后通过GridSearchCV演示了系统化的参数调优方法。通过这些实战技巧,帮助读者逐步成长为熟练的数据科学家。
99 3
|
3月前
|
机器学习/深度学习 数据采集 数据处理
神秘编程世界惊现新探索!Ruby 与机器学习究竟能碰撞出怎样的火花?科学计算库大揭秘!
【8月更文挑战第31天】本文探讨了使用Ruby进行机器学习的可能性,尽管它不像Python那样广为人知,但Ruby拥有诸如SciRuby这样的科学计算生态系统,包括NMatrix和GSL等库,适用于数据处理、矩阵运算等任务。文章还介绍了RubyFann库,用于构建和训练神经网络。通过这些库,用户能更好地理解和定制机器学习流程。
33 0
|
4月前
|
机器学习/深度学习 算法 数据挖掘
从菜鸟到大师:Scikit-learn库实战教程,模型训练、评估、选择一网打尽!
【7月更文挑战第26天】在数据科学领域, Scikit-learn是初学者通往专家之路的必备工具。
66 5
|
4月前
|
机器学习/深度学习 数据采集 算法
数据海洋中的导航者:Scikit-learn库引领Python数据分析与机器学习新航向!
【7月更文挑战第26天】在数据的海洋里,Python以强大的生态成为探索者的首选,尤其Scikit-learn库(简称sklearn),作为一颗璀璨明珠,以高效、灵活、易用的特性引领数据科学家们破浪前行。无论新手还是专家,sklearn提供的广泛算法与工具支持从数据预处理到模型评估的全流程。秉承“简单有效”的设计哲学,它简化了复杂模型的操作,如线性回归等,使用户能轻松比较并选择最优方案。示例代码展示了如何简洁地实现线性回归分析,彰显了sklearn的强大能力。总之,sklearn不仅是数据科学家的利器,也是推动行业进步的关键力量。
56 3
|
5月前
|
机器学习/深度学习 人工智能 PyTorch
人工智能平台PAI产品使用合集之Alink在PAI上执行时下载依赖库失败,是什么原因
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台,旨在降低AI开发门槛,加速创新,助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务,共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述,涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。

热门文章

最新文章

  • 1
    机器学习实战:房价预测项目
    202
  • 2
    强化学习(Reinforcement Learning, RL)** 是一种机器学习技术,其中智能体(Agent)通过与环境(Environment)交互来学习如何执行决策以最大化累积奖励。
    77
  • 3
    集成学习(Ensemble Learning)是一种机器学习技术,它通过将多个学习器(或称为“基学习器”、“弱学习器”)的预测结果结合起来,以提高整体预测性能。
    219
  • 4
    `sklearn.metrics`是scikit-learn库中用于评估机器学习模型性能的模块。它提供了多种评估指标,如准确率、精确率、召回率、F1分数、混淆矩阵等。这些指标可以帮助我们了解模型的性能,以便进行模型选择和调优。
    454
  • 5
    在机器学习和数据科学中,数据预处理是一个至关重要的步骤。数据规范化(或称为特征缩放)是预处理的一种常见技术,它可以帮助我们改进模型的性能。`sklearn.preprocessing`模块提供了多种数据规范化的方法,其中`StandardScaler`和`MinMaxScaler`是最常用的两种。
    89
  • 6
    在人工智能和机器学习的领域中,语音识别(Speech Recognition,SR)是一个重要的研究方向。它旨在将人类的语音转换为计算机可读的文本。
    106
  • 7
    OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习库,它提供了大量的函数和工具,用于处理图像和视频数据。
    121
  • 8
    驾驭大数据洪流:Pandas与NumPy在高效数据处理与机器学习中的核心作用
    84
  • 9
    探索机器学习在图像识别中的应用
    53
  • 10
    智能化运维:机器学习在故障预测和自动化修复中的应用
    66